Skip to content

Latest commit

 

History

History
210 lines (87 loc) · 10 KB

深度学习和通信结合的意义.md

File metadata and controls

210 lines (87 loc) · 10 KB
Raw

深度学习和通信结合的意义

背景

主要有三个方面：

  • 由底层驱动

    深度学习的落地场景和它掀起的风浪相比，实际上比较局限，主要还集中在计算机视觉和自然语言处理的一些方向上。拿着锤子找钉子，很多人都在积极为深度学习扩展疆土，渗透到了医疗，教育，交通，金融，自动驾驶等方向。这其实是一件比较奇怪的事情，从正常的逻辑来说，应该先有需求，再有方向。但是深度学习却是“因果”倒置，底层驱动的

    深度学习的发展很大程度是依托于大数据和云计算。大数据，是指在大量数据积累的基础上，以数据解决实际问题的思想；云计算，是指在计算趋于集中的基础上，将计算资源像水电一样分配的服务形式。数据和计算是深度学习发展的源动力：互联网公司有数据，希望数据发挥价值；互联网公司有闲置服务器，希望闲置服务器带来更多的收益。所以深度学习兴起的直接原因，除了CV和NLP本身的需求之外，很大部分是被硬件商和服务商推动的：“深度学习凉了，显卡卖谁？服务器租给谁？”

    和深度学习不同，通信的发展还是需求驱动的（5G由于需求场景还不太明确，估计离大面积普及还有一段距离）而且通信的硬件大多是专用的，对成本极其敏感。如果一项通信技术的推广需要以大范围替换硬件为代价，那即使这项技术很好也非常有可能会搁浅。所以通信目前缺乏底层的驱动力。

  • 网络智能化

    随着NFV/SDN技术在云计算以及运营商的大型网络中的广泛应用，通信网络的控制、调度趋于集中。

    NFV指的是网络设备的虚拟化，用通过的IT架构，替代专有网络的设备。

    SDN指软件定义网络，其将通信设备能力通过OpenFlow协议开放，然后将网络设备的控制功能进行集中，实现转发和控制的分离（路由算法在SDN中相当于一个应用，可以根据需求更换）

    在控制集中化的趋势下，网络层的有了更强的算力和“视野”实现更为高效的智能算法，而深度学习是网络智能化的关键使能技术

  • 无线短板

    将通信大体分两个应用方向，无线通信和有线通信

    有线通信基本被光纤统治，所有网络的主干基本都是光纤，包括移动通信网。

    光纤的传输速率实际上已经趋于过盛，主要只是成本问题。而无线通信，这里主要指移动通信系统，由于频谱资源有限，是目前通信系统的主要瓶颈。（一根多芯光纤可以达到pb级的传输速率，无线通信最高也就几十G的水平）不过移动通信的传输速率已逼近香农极限，5G之后，物理层优化空间已经非常小了。

    在这种情况下，无线通信终究会追寻新的通信范式。比如新的空分复用技术（比如OAM轨道角动量，虽然近年研究也陷入困境），又比如在光处理技术上有比较重大的突破。

基本方案

为了确定结合的思路，首先要明确通信和深度学习的基本问题，然后寻找二者在基本问题上的交集

​

对于通信和深度学习的基本问题，我在以下两篇文章有了简单的总结

其中的核心观点：

  • 通信的基本问题是提高传输速率，关键在于解决信道对信号的影响
  • 深度学习的基本问题是学习映射，关键在于引导学习的方向

所以二者的交集是：通过深度学习对信道进行建模，从而指导通信系统的优化

信道是通信中最大的“黑箱”。目前的信道还有很多因素是经典的信道模型没有充分考虑的，比如无线信道中的场景变化，光纤中的非线性效应和自由空间光通信中的大气湍流作用等。对这些信道因素的有效建模，对于通信系统的优化有着重要的作用。由于通信信道的数据比较充足，所以用深度学习的方法去学习这个“黑箱”是一个非常值得探索的方法

目前深度学习和通信结合可以分为两种基本方案

方案一：辅助控制

这种方案的含义是，在不改变传统的通信系统的信号处理逻辑的前提下，通过深度学习算法提取信道特征，以辅助传统通信系统的控制，调度，从而优化通信系统的信号处理（这里将整个网络层都看作了对物理层的一种控制）

方案一的主要应用有：

  • 信道估计和监测

    通过深度学习算法分析能够完整反映信道信息的raw data，从而获取有用的信道特征，这些特征包括但不限于：信噪比，色散，非线性效应，链路余量等。这些特征可以进一步应用于通信的控制系统中，例如辅助信号的识别，辅助编解码，以及为上层网络的控制提供必要的信息

    部分相关文献：

    [1]F. N. Khan, Y. Yu, M. C. Tan, W.H. Al-Arashi, C. Yu, A. P. T. Lau, and C. Lu, “Experimental demonstration of joint OSNR monitoring and modulation format identification using asynchronous single channel sampling,” Opt. Exp., vol. 23, no. 23, pp. 30337–30346, 2015.

    [2] T. Tanimura, T. Hoshida, J. C. Rasmussen, M. Suzuki, H. Morikawa,1280 OSNR monitoring by deep neural networks trained with asynchronously sampled data, in: 2016 21st OptoElectronics and Communications Conference (OECC) held jointly with 2016 International Conference on Photonics in Switching (PS), IEEE, 2016, pp. 1–3.

    [3] J. Thrane, J. Wass, M. Piels, J. C. Diniz, R. Jones, D. Zibar, Machine 1285 learning techniques for optical performance monitoring from directly detected PDM-QAM signals, Journal of Lightwave Technology 35 (4)(2017) 868–875

  • 信道辅助编译码

    通过提取信道的特征来辅助传统编译码, 避开了用深度学习直接设计编码所带来的优化和泛化问题

    部分相关文献：

    [1] He H, Wen C K, Jin S, et al. Deep learning-based channel estimation for beamspace mmWave massive MIMO systems[J]. IEEE Wireless Communications Letters, 2018, 7(5): 852-855.

    [2] Liang F, Shen C, Wu F. An iterative BP-CNN architecture for channel decoding[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 144-159.

  • 信号识别

    可以通过深度学习来优化接收算法，作调制方法的识别，信道的补偿和信号的解调

    这些任务本质上都是在信道影响下识别信号模式，可以归结为：深度学习的信道补偿算法 + 传统分类器

    部分相关文献：

    [1] F. N. Khan, K. Zhong, W. H. Al -Arashi, C. Yu, C. Lu, and A. P. T. Lau, “Modulation format identification in coherent receivers using deep machine learning,” IEEE P hoton. Technol. Lett., vol. 28, no. 17, pp. 1886 1889 , 2016.

    [2] Wang D, Zhang M, Li J, et al. Intelligent constellation diagram analyzer using convolutional neural network-based deep learning[J]. Optics express, 2017, 25(15): 17150-17166.

    [3] Wang D, Zhang M, Li Z, et al. Modulation format recognition and OSNR estimation using CNN-based deep learning[J]. IEEE Photonics Technology Letters, 2017, 29(19): 1667-1670.

    [4] Khan F N, Zhong K, Al-Arashi W H, et al. Modulation format identification in coherent receivers using deep machine learning[J]. IEEE Photonics Technology Letters, 2016, 28(17): 1886-1889.

  • 智能网络控制

    华为曾提出过AI光网络神经元的概念，每个神经元实时监测信道情况，为每个光波打上标签，以作为网络智能的基础

    部分相关文献：

    [1] Mata J, De Miguel I, Duran R J, et al. Artificial intelligence (AI) methods in optical networks: A comprehensive survey[J]. Optical Switching and Networking, 2018, 28: 43-57.

####方案二：端到端

一种更加激进的方案是端到端，即将通信的接收机，发送机，信道都看作网络，整体进行训练优化。寻找当前信道条件下最优的通信系统。

方案二的典型应用：

  • 端到端编解码

    编码是实际就是一个映射，和深度学习在目的上非常契合，所以有很多关于二者结合的研究。

    目前端到端的编码方案，主要局限在拟合传统的编解码算法上，并没有通过深度学习得到更为优秀的编码方案，而且深度学习在长码的情况下的性能很差。这其实比较容易理解，即长码的搜索空间过大，优化困难。

    部分相关文献：

    [1] Gruber T, Cammerer S, Hoydis J, et al. On deep learning-based channel decoding[C]//2017 51st Annual Conference on Information Sciences and Systems (CISS). IEEE, 2017: 1-6.

    [2] Kim H, Jiang Y, Rana R, et al. Communication algorithms via deep learning[J]. arXiv preprint arXiv:1805.09317, 2018.

  • 端到端调制解调

    假设信道模型确定的前提下，设计最优的调制解调方案。但由于信道模型其实并不确定，并且存在类似编解码的优化问题，这种端到端的方案目前还只是初步的探索。

    部分相关文献：

    [1] O’Shea T, Hoydis J. An introduction to deep learning for the physical layer[J]. IEEE Transactions on Cognitive Communications and Networking, 2017, 3(4): 563-575.

方案二相比方案一来说，更能发挥深度学习的优势，理论上可以找到最优的通信系统，但非常依赖于通信底层技术的突破，比如全光通信、光学深度学习芯片等

专栏总体规划

本文将作为整个专栏的入口，不定期更新